PyTorch Pull-Request-Review

PyTorch Pull-Request-Review ist ein offizieller Skill aus dem PyTorch-Repository. Er unterstützt eine menschliche oder agentische Prüfung von Änderungen in Pull Requests und konzentriert sich auf Fragen, die eine normale CI-Pipeline nicht vollständig beantwortet. Laut Anbieter gehören dazu Codequalität, ausreichende Testabdeckung, Sicherheitsrisiken und Rückwärtskompatibilität. Der Skill ist eine Review-Anleitung für den PyTorch-Kontext, kein Merge-Bot, kein Ersatz für Maintainer und keine Zusicherung, dass ein geprüftes Patch frei von Fehlern ist. Seine Empfehlungen müssen mit dem konkreten Diff, dem unveränderten Umfeld und den aktuellen Projektregeln abgeglichen werden.

Einsatz und Kontext

Der Skill kann mit einer Pull-Request-Nummer, einer GitHub-URL oder einem lokalen Branch verwendet werden. Ohne Argument soll zunächst geklärt werden, was geprüft werden soll. Im normalen lokalen Modus werden Metadaten, geänderte Dateien, Commits, Diff und vorhandene Kommentare über die vorgesehenen GitHub-Werkzeuge betrachtet. Bei einer Branch-Prüfung wird der Vergleich mit main und die Commit-Historie herangezogen. In einer automatisierten GitHub-Action können Pull-Request-Kontext, Beschreibung, Kommentare und Dateiliste bereits im Auftrag enthalten sein; dann soll der Diff über die bereitgestellten Git-Referenzen geprüft werden, ohne unnötig einen anderen Abrufweg anzunehmen.

Prüfschwerpunkte

Laut Anbieter soll die Prüfung jede geänderte Zeile im Zusammenhang mit dem umgebenden Code betrachten. Dabei geht es nicht primär um Formatierung, Linting oder bereits durch CI gemeldete Fehler, sondern um Designqualität, Schnittstellen, Thread-Sicherheit, Verhalten auf unterschiedlichen Geräten, PyTorch-Infrastruktur, Testmuster und Folgen für bestehende Nutzer. Ein einzelner fehlender Device-Guard, eine unpassende Dispatch-Anbindung oder eine manuelle Typbehandlung kann weitreichende Folgen haben. Relevante Projektdateien wie CONTRIBUTING.md, CLAUDE.md, interne Testhilfen, OpInfo-Strukturen, Operator-Deklarationen und Autograd-Regeln sollen bei Bedarf gelesen werden, weil PyTorch-spezifische Konventionen nicht aus dem Dateinamen allein ableitbar sind.

Konsolidierung und Bericht

Der Workflow empfiehlt, zunächst Kontext aufzubauen, danach alle Diff-Zeilen gründlich zu untersuchen, Rückwärtskompatibilität zu prüfen und Befunde vor dem Schreiben zusammenzuführen. Gleiche Ursachen oder identische Fixes sollen als ein Befund erscheinen. Der Bericht nennt nur Probleme, Bedenken und konkrete Verbesserungsvorschläge. Jeder Befund braucht eine nachvollziehbare Datei- und Zeilenreferenz sowie eine umsetzbare Empfehlung. Die Einordnung unterscheidet unter anderem Sicherheit, Thread-Sicherheit, Rückwärtskompatibilität, API-Design, Infrastruktur, Tests, Performance und Codequalität. Fehlende Tests für neue Funktionalität führen laut dem vorgesehenen Format zu einer Bitte um Änderungen.

Sicherheitsgrenzen und Verantwortung

Ein Review-Agent kann Quelltext, Kommentare und Kontext an den jeweils verbundenen Modellanbieter übertragen. Die lokale Prüfung des Repositories bedeutet daher nicht automatisch, dass alle Daten beim lokalen Nutzer bleiben. Zugangsdaten, private Diffs und vertrauliche Kommentare müssen nach den eigenen Richtlinien behandelt werden. Der Skill führt keine Änderungen am Pull Request aus und ersetzt weder Berechtigungsprüfung noch Maintainer-Verantwortung. Empfehlungen können veraltet sein, wenn sich PyTorch-Infrastruktur oder Review-Regeln ändern. PyTorch veröffentlicht den Quellcode unter BSD-3-Clause. Diese Beschreibung wurde am 9. September 2026 anhand der offiziellen Skill-Datei sowie der offiziellen PyTorch-Dokumentation geprüft. GitHub-Sterne werden nicht gespeichert, weil das Skill-Modell kein github_stars-Feld besitzt. Die praktische Verantwortung bleibt beim Review-Team.